本發(fā)明涉及圖像處理，具體地，涉及人臉識別方法、裝置、設備及存儲介質(zhì)，更為具體地，涉及背景建模的單目靜默式人臉活體識別方法、裝置、設備及介質(zhì)。

背景技術：

1、現(xiàn)有技術的單目靜默式人臉活體識別方法中，rppg方法在處理高清視頻和高清照片等攻擊場景時效果較差，因為該方法主要依賴皮膚對光的吸收反射來測量心率和脈搏波，而高清視頻和照片會影響皮膚反射的準確性，導致識別效果下降?；趥紊疃刃畔⒌姆椒▽τ谑謾C照片和打印照片等攻擊場景能夠有效識別，但在處理高清視頻等視頻識別時效果較差，主要由于高清視頻的復雜性和細節(jié)導致識別困難?；诟盗⑷~頻譜的方法將色彩空間特征轉(zhuǎn)換為頻譜特征，對于高清攻擊場景的識別效果較差，是因為高清圖像的復雜性和細節(jié)使得頻譜特征提取困難?；谀柤y特征的方法在早期使用較多，但隨著高清設備的普及，該方法基本不再適用，主要是因為高清設備的分辨率和精度提高，使得摩爾紋特征不再明顯或有效。

2、因此，現(xiàn)有技術中，處理高清攻擊場景時普遍存在識別準確性不佳、難以捕捉復雜細節(jié)和動態(tài)信息，導致其在面對高清視頻和照片等攻擊時效果較差的問題，而本發(fā)明的技術方案能夠解決該技術問題。

技術實現(xiàn)思路

1、本發(fā)明的主要目的在于解決現(xiàn)有技術中處理高清攻擊場景時普遍存在識別準確性不佳、難以捕捉復雜細節(jié)和動態(tài)信息，導致其在面對高清視頻和照片等攻擊時效果較差的問題。

2、本發(fā)明第一方面提供了一種人臉識別方法，包括：獲取目標場景的目標圖片，基于目標圖片的獲取時段，得到相同時段對應的背景底圖；對目標圖片進行人臉檢測，當檢測到人臉時，利用相同時段對應的背景底圖識別目標圖片為真人圖片或攻擊圖片；當基于背景底圖判定目標圖片為真人圖片時，通過深度學習確認當前真人圖片是否為攻擊圖片。

3、可選的，在本發(fā)明第一方面的第一種實現(xiàn)方式中，所述基于目標圖片的獲取時段，得到相同時段對應的背景底圖，包括：將通過單個攝像頭獲取的目標場景在無人狀態(tài)下不同時段內(nèi)任意時刻的圖像作為相應時段對應的背景底圖；基于不同時段對應的多張背景底圖，得到目標圖片獲取時段對應的背景底圖。

4、可選的，在本發(fā)明第一方面的第二種實現(xiàn)方式中，所述對目標圖片進行人臉檢測，包括：利用人臉檢測模型檢測目標圖片中的人臉，并獲取人臉的位置信息；根據(jù)人臉的位置信息，提取目標圖片的人臉矩形區(qū)域；將人臉矩形區(qū)域定義為：，其中，表示人臉矩形區(qū)域左上角坐標點；表示人臉矩形區(qū)域的寬、高；所述人臉檢測模型通過深度學習網(wǎng)絡實現(xiàn)人臉檢測并獲取人臉的位置信息。

5、可選的，在本發(fā)明第一方面的第三種實現(xiàn)方式中，所述利用相同時段對應的背景底圖識別目標圖片為真人圖片或攻擊圖片，包括：基于相同時段對應的背景底圖，根據(jù)指定區(qū)域位置信息，提取背景底圖指定區(qū)域；其中，；分別表示目標圖片人臉矩形區(qū)域中左上角坐標點的y軸坐標以及人臉矩形區(qū)域的高；當小于等于預設值時，則判定當前目標圖片為真人圖片，否則為攻擊圖片。

6、可選的，在本發(fā)明第一方面的第四種實現(xiàn)方式中，所述利用相同時段對應的背景底圖識別目標圖片為真人圖片或攻擊圖片，包括：分別提取相同時間段內(nèi)背景底圖指定區(qū)域的特征向量和目標圖片指定區(qū)域的特征向量；計算當前背景底圖指定區(qū)域的特征向量與目標圖片指定區(qū)域的特征向量之間的余弦距離；當余弦距離小于閾值時，則判定當前目標圖片為真人圖片，否則為攻擊圖片；其中，所述指定區(qū)域中，；分別表示目標圖片人臉矩形區(qū)域中左上角坐標點的y軸坐標以及人臉矩形區(qū)域的高。

7、可選的，在本發(fā)明第一方面的第五種實現(xiàn)方式中，所述利用相同時段對應的背景底圖識別目標圖片為真人圖片或攻擊圖片，包括：基于相同時段對應的背景底圖，根據(jù)指定區(qū)域位置信息，提取背景底圖指定區(qū)域；其中，；分別表示目標圖片人臉矩形區(qū)域中左上角坐標點的y軸坐標以及人臉矩形區(qū)域的高；當小于等于預設值時，則判定當前目標圖片為真人圖片，否則為攻擊圖片；當當前目標圖片判定為真人圖片時，再進一步確認當前真人圖片是否被攻擊，包括：分別提取相同時間段內(nèi)背景底圖指定區(qū)域的特征向量和目標圖片指定區(qū)域的特征向量；計算當前背景底圖指定區(qū)域的特征向量與目標圖片指定區(qū)域的特征向量之間的余弦距離；當余弦距離小于閾值時，則判定當前目標圖片為真人圖片，否則為攻擊圖片；其中，所述指定區(qū)域中，；分別表示目標圖片人臉矩形區(qū)域中左上角坐標點的y軸坐標以及人臉矩形區(qū)域的高。

8、可選的，在本發(fā)明第一方面的第六種實現(xiàn)方式中，所述分別提取相同時間段內(nèi)背景底圖指定區(qū)域的特征向量和目標圖片指定區(qū)域的特征向量，包括：分別提取當前背景底圖指定區(qū)域和目標圖片指定區(qū)域的紋理特征向量和色彩特征向量；將當前背景底圖指定區(qū)域的紋理特征向量和色彩特征向量拼接組成背景底圖綜合特征向量；將當前目標圖片指定區(qū)域的紋理特征向量和色彩特征向量拼接組成目標圖片綜合特征向量；其中，所述分別提取當前背景底圖指定區(qū)域和目標圖片指定區(qū)域的紋理特征向量和色彩特征向量，包括：分別基于不同的方向?qū)χ付▍^(qū)域進行紋理特征提??；其中，所述紋理特征包括：對比度、同質(zhì)性、能量以及相關性；將每個方向提取的紋理特征進行組合拼接，形成最終的指定區(qū)域紋理特征向量；所述分別提取當前背景底圖指定區(qū)域和當前待識別圖片指定區(qū)域的色彩特征，包括：將指定區(qū)域的rgb空間轉(zhuǎn)換為hsv空間；將hsv空間劃分為的圖像塊；提取每個圖像塊的一階二階色矩；基于每個圖像塊提取的一階、二階色矩，得到色彩特征向量。

9、可選的，在本發(fā)明第一方面的第七種實現(xiàn)方式中，所述當基于背景底圖判定目標圖片為真人圖片時，通過深度學習確認當前真人圖片是否為攻擊圖片，包括：根據(jù)指定區(qū)域位置信息，提取當前真人圖片的指定區(qū)域；其中，；分別表示目標圖片人臉矩形區(qū)域中左上角坐標點的y軸坐標以及人臉矩形區(qū)域的高；使用深度學習網(wǎng)絡對指定區(qū)域進行推理，判定當前真人圖片是否為攻擊圖片。

10、本發(fā)明第二方面提供了一種人臉識別裝置，包括：背景底圖獲取模塊，用于基于目標圖片的獲取時段，得到相同時段對應的背景底圖；初步判斷模塊，用于對目標圖片進行人臉檢測，當檢測到人臉時，利用相同時段內(nèi)的背景底圖識別目標圖片為真人圖片或攻擊圖片；確認判斷模塊，用于當基于背景底圖判定目標圖片為真人圖片時，通過深度學習確認當前真人圖片是否為攻擊圖片。

11、可選的，在本發(fā)明第二方面的第一種實現(xiàn)方式中，所述背景底圖獲取模塊包括：將通過單個攝像頭獲取的目標場景在無人狀態(tài)下不同時段內(nèi)任意時刻的圖像作為相應時段對應的背景底圖；基于不同時段對應的多張背景底圖，得到目標圖片獲取時段對應的背景底圖。

12、可選的，在本發(fā)明第二方面的第二種實現(xiàn)方式中，所述人臉識別裝置還包括：人臉檢測模塊，所述人臉檢測模塊用于利用人臉檢測模型檢測目標圖片中的人臉，并獲取人臉的位置信息；根據(jù)人臉的位置信息，提取目標圖片的人臉矩形區(qū)域；將人臉矩形區(qū)域定義為：，其中，表示人臉矩形區(qū)域左上角坐標點；表示人臉矩形區(qū)域的寬、高；所述人臉檢測模型通過深度學習網(wǎng)絡實現(xiàn)人臉檢測并獲取人臉的位置信息。

13、可選的，在本發(fā)明第二方面的第三種實現(xiàn)方式中，所述初步判斷模塊包括：所述利用相同時段對應的背景底圖識別目標圖片為真人圖片或攻擊圖片，包括：基于相同時段對應的背景底圖，根據(jù)指定區(qū)域位置信息，提取背景底圖指定區(qū)域；其中，；分別表示目標圖片人臉矩形區(qū)域中左上角坐標點的y軸坐標以及人臉矩形區(qū)域的高；當小于等于預設值時，則判定當前目標圖片為真人圖片，否則為攻擊圖片。

14、可選的，在本發(fā)明第二方面的第四種實現(xiàn)方式中，所述初步判斷模塊包括：分別提取相同時間段內(nèi)背景底圖指定區(qū)域的特征向量和目標圖片指定區(qū)域的特征向量；計算當前背景底圖指定區(qū)域的特征向量與目標圖片指定區(qū)域的特征向量之間的余弦距離；當余弦距離小于閾值時，則判定當前目標圖片為真人圖片，否則為攻擊圖片；其中，所述指定區(qū)域中，；分別表示目標圖片人臉矩形區(qū)域中左上角坐標點的y軸坐標以及人臉矩形區(qū)域的高。

15、可選的，在本發(fā)明第二方面的第五種實現(xiàn)方式中，所述初步判斷模塊包括：一階判斷單元，用于基于相同時段對應的背景底圖，根據(jù)指定區(qū)域位置信息，提取背景底圖指定區(qū)域；其中，；分別表示目標圖片人臉矩形區(qū)域中左上角坐標點的y軸坐標以及人臉矩形區(qū)域的高；當小于等于預設值時，則判定當前目標圖片為真人圖片，否則為攻擊圖片；二階判斷單元，用于當當前目標圖片判定為真人圖片時，再進一步確認當前真人圖片是否被攻擊；具體地，分別提取相同時間段內(nèi)背景底圖指定區(qū)域的特征向量和目標圖片指定區(qū)域的特征向量；計算當前背景底圖指定區(qū)域的特征向量與目標圖片指定區(qū)域的特征向量之間的余弦距離；當余弦距離小于閾值時，則判定當前目標圖片為真人圖片，否則為攻擊圖片；其中，所述指定區(qū)域中，；分別表示目標圖片人臉矩形區(qū)域中左上角坐標點的y軸坐標以及人臉矩形區(qū)域的高。

16、可選的，在本發(fā)明第二方面的第六種實現(xiàn)方式中，所述分別提取相同時間段內(nèi)背景底圖指定區(qū)域的特征向量和目標圖片指定區(qū)域的特征向量，包括：分別提取當前背景底圖指定區(qū)域和目標圖片指定區(qū)域的紋理特征向量和色彩特征向量；將當前背景底圖指定區(qū)域的紋理特征向量和色彩特征向量拼接組成背景底圖綜合特征向量；將當前目標圖片指定區(qū)域的紋理特征向量和色彩特征向量拼接組成目標圖片綜合特征向量；其中，所述分別提取當前背景底圖指定區(qū)域和目標圖片指定區(qū)域的紋理特征向量和色彩特征向量，包括：分別基于不同的方向?qū)χ付▍^(qū)域進行紋理特征提?。黄渲?，所述紋理特征包括：對比度、同質(zhì)性、能量以及相關性；將每個方向提取的紋理特征進行組合拼接，形成最終的指定區(qū)域紋理特征向量；所述分別提取當前背景底圖指定區(qū)域和當前待識別圖片指定區(qū)域的色彩特征，包括：將指定區(qū)域的rgb空間轉(zhuǎn)換為hsv空間；將hsv空間劃分為的圖像塊；提取每個圖像塊的一階二階色矩；基于每個圖像塊提取的一階、二階色矩，得到色彩特征向量。

17、可選的，在本發(fā)明第二方面的第七種實現(xiàn)方式中，所述確認判斷模塊包括：根據(jù)指定區(qū)域位置信息，提取當前真人圖片的指定區(qū)域；其中，；分別表示目標圖片人臉矩形區(qū)域中左上角坐標點的y軸坐標以及人臉矩形區(qū)域的高；使用深度學習網(wǎng)絡對指定區(qū)域進行推理，判定當前真人圖片是否為攻擊圖片。

18、本發(fā)明第三方面提供了一種電子設備，包括：存儲器和至少一個處理器，所述存儲器中存儲有指令，所述存儲器和所述至少一個處理器通過線路互連；所述至少一個處理器調(diào)用所述存儲器中的所述指令，以使得所述電子設備執(zhí)行上述的如上所述的人臉識別方法。

19、本發(fā)明的第四方面提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)中存儲有指令，當其在計算機上運行時，使得計算機執(zhí)行上述的如上所述的人臉識別方法。

20、與現(xiàn)有技術相比，本發(fā)明具有如下的有益效果：

21、1、本發(fā)明基于背景圖片推理耗時與使用深度學習的人臉識別方法推理耗時幾乎相當，但是準確率能夠大幅度提升；

22、2、利用本發(fā)明提供的人臉識別方法、裝置、設備及存儲介質(zhì)，能夠有效防止高清視頻攻擊、高清照片攻擊、打印紙攻擊等；

23、3、本發(fā)明通過基于背景圖片推理與深度學習方法相結(jié)合，兼顧背景特征與人臉特征，彌補已有方法幾乎只關注人臉區(qū)域特征本身的問題，從而實現(xiàn)高清圖像攻擊識別，并大幅提高攻擊識別準確率。